圖像自動識別與采集技術在麻/棉織物檢測中的應用

潘 全，萬小蕙，夏正球

（湖北省纖維檢驗局，湖北武漢430061）

0 引言

麻棉混紡產(chǎn)品因兼具了麻、棉纖維各自的優(yōu)點，不但低碳環(huán)保、透氣性好、舒適性強，而且具有獨特的涼爽感，與當下紡織服裝流行趨勢相吻合，受到越來越多消費者的青睞。纖維成分作為紡織品測試的重要質量指標之一，在紡織工業(yè)、商品交易和國際貿(mào)易中有極其重要的地位。對于麻/棉混紡類產(chǎn)品，由于同屬化學性質相似的纖維素纖維，無法采用常規(guī)的化學溶解法測定其混紡比例，但可采用顯微鏡的方法進行鑒別[1]。在2020年之前，國內(nèi)常用于麻/棉混紡產(chǎn)品檢測的相關標準為FZ/T 30003—2009《麻棉混紡產(chǎn)品定量分析方法：顯微投影法》和SN/T 0756—1999《進出口麻/棉混紡產(chǎn)品定量分析方法：顯微鏡投影儀法》（已于2019年12月31日作廢）。這兩個標準方法主要借助于人工目光進行識別，存在人工成本高、檢測周期長、易產(chǎn)生誤差等問題，已很難滿足大批量出口和日常貿(mào)易的快速檢測需求[2]。

本文主要針對不同種類麻/棉樣本，采用基于圖像處理的自動識別與采集分析系統(tǒng)和人工檢測的結果進行比對分析，對該智能系統(tǒng)的準確度、重復性及穩(wěn)定性進行驗證。

1 試驗

1.1 處理系統(tǒng)的工作原理

1.1.1 技術原理流程圖

基于圖像處理的麻棉自動識別與采集分析系統(tǒng)包括控制模塊、算法模塊和試驗結果管理模塊，分析裝置通過控制單元控制XYZ高精度電動平臺Z軸聚焦，同時沿X軸、Y軸方向聯(lián)動平移，實現(xiàn)自動三軸全覆蓋場景掃描，采集針對麻、棉纖維縱向截面形態(tài)的顯微清晰圖像，由算法模塊進行特征目標自動提取、測量、識別和計數(shù)，通過試驗結果管理模塊記錄數(shù)據(jù)并輸出纖維成分結果報告。技術原理流程圖詳見圖1。

1.1.2 纖維圖像的提取和識別

通過控制模塊采集到的高清圖像預處理后，輸入到后臺算法模塊，算法模塊調用全局清晰度判別算法單元，通過圖像梯度信息計算出對應被測圖像清晰度值，判斷當前場景對應掃描采樣中最清晰的圖像，然后輸出圖像清晰度判別結果。

1.1.2.1 清晰度判別算法

其中：和分別是語言變量Rij和對應的三角模糊數(shù)，當Rij?時，F(xiàn)ij表示Rij相對于獲得的收益，Rij越優(yōu)，獲得的收益越大；當Rij時，F(xiàn)ij表示Rij相對于產(chǎn)生的損失，Rij越劣，產(chǎn)生的損失越大；當時，F(xiàn)ij表示Rij相對于既無獲得收益也無產(chǎn)生損失。

首先，計算圖像水平方向梯度gx和垂直方向梯度gy,然后通過水平方向梯度和垂直方向梯度按式（1）計算梯度圖，并按式（2）計算梯度方向。最后，將得到的sobel梯度圖彩色圖像轉為黑白圖像。由于圖像梯度去除了很多不必要的信息（如不變的背景色），加重了輪廓，通過比較梯度圖可得到輪廓最明顯的圖像，也是最清晰的圖像xi。

1.1.2.2 有效場景判別算法

通過深度學習網(wǎng)絡模型，分析判別場景是否有效。具體包括：圖像預處理，即將清晰度判別中最清晰的圖像通過填充的方法得到訓練樣本；圖像識別，即通過訓練樣本構建Resent-18的模型進行圖像識別；模型訓練，即先將測試數(shù)據(jù)輸入到經(jīng)過訓練后的模型中，獲得預測目標類別（簡單樣本、復雜樣本和背景樣本），然后將復雜樣本和背景樣本留存，將得到的簡單樣本直接輸入算法模塊的目標定位算法單元中。

1.1.2.3 目標定位算法

目標定位算法單元通過Mask RCNN深度學習網(wǎng)絡模型，分析定位纖維目標位置信息，并輸出有效場景上對應目標的定位結果和輪廓信息，其定位的效果圖詳見圖2。

1.1.2.4 纖維提取算法

當?shù)玫嚼w維目標區(qū)域后，由于纖維大小位置及存在的交叉問題，需通過纖維提取模塊得到每根纖維。先由Mask RCNN得到每張圖像上纖維的掩碼輪廓，再建立與原圖相同大小的mask圖像。由于每張圖像中存在大小各異的不同纖維，甚至出現(xiàn)交叉，因而需將圖像轉化為二值圖，并將其中一根纖維區(qū)域的像素值設置為1（白色），其他區(qū)域的纖維像素值設置為0（黑色）；將原圖與掩碼圖進行運算得到結果圖，即將交叉部分分離，得到單根纖維的掩碼圖；同理，其他位置的纖維依次進行分離，得到每一根纖維的掩碼圖；用每根纖維的輪廓計算纖維的面積，通過先驗值篩掉大小不合適的纖維。以3×3圖像為例，結果圖像如圖3所示。

1.1.3 輸出判別結果

當后臺算法模塊得到纖維目標定位算法單元輸出的結果后，調用局部清晰度判別算法單元，通過局部目標圖像梯度信息計算出局部被測圖像清晰度值，判斷當前場景對應掃描采樣中最清晰的纖維目標，并輸出局部清晰判別結果。

1.1.4 統(tǒng)計查詢和報告導出

算法模塊分析完成后將分析結果輸入到結果管理模塊，結果管理模塊將對應試驗結果寫入到對應的試驗編號數(shù)據(jù)庫存儲。當試驗完成后，可在數(shù)據(jù)查詢頁面下查詢到相應的試驗結果，并可輸出試驗報告。

1.2 樣本的制備

1.2.1 樣本取樣

為確保所選樣本的代表性和均勻性，參照FZ/T 30003—2009《麻棉混紡產(chǎn)品定量分析方法：顯微投影法》的取樣方法準確取樣。

1.2.2 樣本制備

使用哈氏切片器作為制片工具，液體石蠟作為混勻介質，制備纖維縱向載玻片樣本。

2 結果與討論

2.1 麻/棉混紡樣品檢測

由于目前日常檢測中常見的麻纖維主要為亞麻、苧麻及大（漢）麻，因此本文初步選用24個樣本對象，3種類別產(chǎn)品各取8個樣本分別經(jīng)過人工檢測和系統(tǒng)智能測試，測試結果見表1～3，并且通過式（3）計算兩者的偏差率。

式（3）中：

S——系統(tǒng)測試與人工測試結果的絕對偏差值，以棉纖維含量為分析對象；

Hi（C）——系統(tǒng)測試數(shù)據(jù)；

Ha（C）——人工檢測數(shù)據(jù)。

根據(jù)GB/T 29862—2013《紡織品纖維含量的標識》標準規(guī)定，當產(chǎn)品含有兩種及以上的纖維時，每種纖維含量允差為5%。故本試驗以5%作為含量準確度的限定值。由表1～3可知，本試驗中3種麻/棉混紡樣本系統(tǒng)測試與人工檢測結果的差值均在限定允差范圍內(nèi)，表明系統(tǒng)測試結果準確度較好。

2.2 麻/棉自動識別與采集系統(tǒng)重復性驗證

本試驗采用極差法對系統(tǒng)重復性進行驗證。對亞麻/棉、苧麻/棉、大（漢）麻/棉3種類別樣本分別進行6次獨立重復測試，通過式（4）計算試驗樣本標準偏差s（x）。其中，極差系數(shù)C可通過JJF 1059.1—2012《測量不確定度評定與表示》中的極差系數(shù)表查獲：當n=6時，C=2.53。

式（4）中：

s（x）——系統(tǒng)6次測試結果的標準偏差；

R——極差，指測試數(shù)據(jù)中最大值與最小值之差（以棉纖維含量計算）。

由表4～6可知，通過極差法計算得到3種麻/棉混紡樣本的標準偏差分別為1.4%、1.3%和1.9%，均在標準要求的2%范圍內(nèi)，表明該系統(tǒng)測試樣品結果的重復性較好，可用于麻/棉混紡產(chǎn)品的纖維含量測定。

表1 亞麻/棉混紡紗系統(tǒng)測試與人工測試結果對比

表2 苧麻/棉混紡紗系統(tǒng)測試與人工測試結果對比

表3 大（漢）麻/棉混紡紗系統(tǒng)測試與人工測試結果對比

表4 亞麻/棉混紡紗系統(tǒng)6次重復性測試結果分析

表5 苧麻/棉混紡紗系統(tǒng)重復性測試結果分析

表6 大（漢）麻/棉混紡紗系統(tǒng)重復性測試結果分析

3 結論

（1）基于圖像處理的麻/棉自動采集與識別分析系統(tǒng)針對麻/棉混紡產(chǎn)品進行纖維成分含量的分析測定，該系統(tǒng)的高精度X、Y、Z三軸自動控制平臺可取代傳統(tǒng)手動控制聚焦和手動平移切換視場的人工操作方式，可自動化完成載玻片樣品全局掃描采集圖像。

（2）通過系統(tǒng)自動提取有效目標，實現(xiàn)自動識別、測量、統(tǒng)計計數(shù)，取代傳統(tǒng)的人工目光篩選和手動標注測量等重復操作，不僅能有效減少人工勞動量，提高檢測效率，還可以規(guī)避測量過程中由于人的主觀因素導致的測量誤差，可客觀準確地反映產(chǎn)品信息。

（3）基于圖像處理的麻/棉自動采集與識別分析系統(tǒng)能夠提供客觀、穩(wěn)定、可追溯的麻/棉混紡產(chǎn)品纖維含量檢測結果，該技術的應用可促進紡織品檢測技術的提升，為檢測裝備智能化發(fā)展奠定了一定的技術基礎。